Understanding musculoskeletal disorders in dancers: The role of lumbopelvic muscles and movement competency
Notice bibliographique
Résumé
OBJECTIVE: To investigate whether transversus abdominis activation (TrA), hip strength, and movement competency are associated with the incidence of musculoskeletal disorder episodes (MDEs) in dancers when controlling for confounding variables. The secondary objectives were to determine if there were differences between professional and preprofessional dancers for the aforementioned factors, as well as to determine if there were differences in TrA activation and hip strength between the dominant and non-dominant sides. DESIGN: Prospective cohort study. METHODS: 118 dancers were recruited. The independent variables were collected at the beginning of the dance season: 1) TrA activation, 2) hip strength, and 3) movement competency. To assess the development of MDEs, a weekly electronic diary was used over a 38-week period. MDEs were compiled for each dancer's whole body and subdivided into total musculoskeletal disorder episodes (all body parts) and lower quadrant musculoskeletal disorder episodes (lower limb and lower back). RESULTS: Lower TrA, as well as higher hip abductor and external rotator strength, were associated with a lower incidence of MDEs. TrA activation (β = 0.260, p = 0.023) and hip external rotator strength (β = -0.537, p = 0.002) could significantly explain 25.4% of the variance of total MDEs, as well as 20.9% of the variance of lower quadrant musculoskeletal disorder episodes (β = 0.272, p = 0.016; β = -0.459, p = 0.011). No significant associations were found between movement competency and MDEs. CONCLUSIONS: Higher hip strength could be a protective factor for MDEs among dancers. Further studies are needed to better understand the involvement of the transversus abdominis in MDEs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».